🎯 Learning Objectives — Apa yang Akan Anda Kuasai
Setelah menyelesaikan sesi ini, Anda mampu:
- Membedakan independent samples vs paired samples dan memilih uji yang tepat
- Menguji perbedaan mean dua populasi independen (Independent t-test)
- Menguji perbedaan mean dua populasi berpasangan (Paired t-test)
- Menguji perbedaan proporsi dua populasi (Two-sample Z-test)
- Mengecek asumsi normalitas dan homogeneity of variance
- Mengimplementasikan semua uji di Excel dan interpretasikan hasilnya
🎥 Playlist Kuliah: Two-Sample Hypothesis Testing
Playlist ini berisi penjelasan lengkap untuk seluruh materi Sesi 09. Tonton berurutan dari atas — mulai dari konsep independent samples, paired samples, sampai uji proporsi dua kelompok.
🎯 Bagian 1: Konsep Dasar — Independent vs Paired Samples
🤔 Apa Itu Two-Sample Testing?
Two-sample hypothesis testing = prosedur statistik untuk membandingkan parameter dari dua kelompok. Kita ingin tahu: apakah ada perbedaan yang signifikan antara kelompok 1 dan kelompok 2?
Anda punya dua toko: Toko A di Jakarta dan Toko B di Surabaya. Anda ingin tahu: “Apakah rata-rata omzet Toko A berbeda dengan Toko B?”
Anda ambil sampel omzet dari kedua toko, lalu uji apakah perbedaannya signifikan atau cuma kebetulan. Inilah two-sample testing.
📊 Dua Jenis Two-Sample Testing
🔀 Independent Samples
“Dua kelompok yang berbeda”
Sampel dari kelompok 1 tidak berhubungan dengan sampel dari kelompok 2.
Contoh:
- Omzet UMKM di Jakarta vs Surabaya
- Kepuasan pelanggan pria vs wanita
- Penjualan sebelum vs sesudah kampanye (grup berbeda)
🔗 Paired Samples (Dependent)
“Dua pengukuran dari subjek yang sama”
Sampel dari kelompok 1 berpasangan dengan sampel dari kelompok 2.
Contoh:
- Penjualan toko yang sama sebelum vs sesudah kampanye
- Skor ujian siswa sebelum vs sesudah pelatihan
- Tekanan darah pasien sebelum vs sesudah obat
Pemilihan independent vs paired menentukan rumus yang dipakai. Kalau Anda pakai rumus yang salah, hasilnya tidak valid. Tanyakan: “Apakah subjek di kelompok 1 sama dengan subjek di kelompok 2?” Kalau YA → paired. Kalau TIDAK → independent.
🎯 Hipotesis untuk Two-Sample Testing
Strukturnya mirip one-sample, tapi sekarang kita bandingkan dua parameter:
Ingin tahu: apakah rata-rata omzet UMKM di Jakarta (μ₁) berbeda dengan Surabaya (μ₂)?
- H₀: μ₁ = μ₂ (atau μ₁ − μ₂ = 0) → tidak ada perbedaan
- H₁: μ₁ ≠ μ₂ (atau μ₁ − μ₂ ≠ 0) → ada perbedaan
- H₀: μ₁ ≤ μ₂
- H₁: μ₁ > μ₂ → omzet Jakarta lebih tinggi
📊 Bagian 2: Independent Samples t-test — Membandingkan Dua Kelompok Berbeda
🤔 Kapan Pakai Independent t-test?
Pakai ketika:
- Anda punya 2 kelompok yang berbeda (misal: pria vs wanita, kota A vs kota B)
- Variabel dependen bersifat kontinu (misal: omzet, skor kepuasan)
- Ingin tahu apakah mean kedua kelompok berbeda
Membandingkan rata-rata penjualan toko A dan toko B. Kedua sampel diambil secara independen.
📊 Asumsi Independent t-test
- Independence: Observasi di satu kelompok tidak memengaruhi kelompok lain
- Normalitas: Data di masing-masing kelompok berdistribusi Normal (atau n besar ≥ 30)
- Homogeneity of variance: Varians kedua kelompok sama (σ₁² = σ₂²)
Kalau asumsi homogeneity of variance dilanggar (varians sangat berbeda), pakai Welch’s t-test yang tidak asumsikan varians sama.
📊 Rumus Independent t-test
Dimana:
- x̄₁, x̄₂ = mean sampel kelompok 1 dan 2
- s₁², s₂² = varians sampel kelompok 1 dan 2
- n₁, n₂ = ukuran sampel kelompok 1 dan 2
Degrees of Freedom (df)
Untuk pooled variance (varians sama):
Untuk Welch’s t-test (varians tidak sama), df dihitung dengan rumus yang lebih kompleks (software biasanya hitung otomatis).
- Jakarta (n₁ = 30): x̄₁ = Rp12 juta, s₁ = Rp3 juta
- Surabaya (n₂ = 35): x̄₂ = Rp10 juta, s₂ = Rp2,5 juta
- t = (12 − 10) / √(3²/30 + 2,5²/35)
- t = 2 / √(0,3 + 0,179)
- t = 2 / √0,479
- t = 2 / 0,692 = 2,89
- df = 30 + 35 − 2 = 63
- p-value (two-tailed) = 0,005
- Karena 0,005 < 0,05 → Tolak H₀
Gunakan fungsi:
=T.TEST(array1, array2, tails, type)
tails: 1 = one-tailed, 2 = two-tailedtype: 2 = independent (varians sama), 3 = independent (varians tidak sama/Welch’s)
=T.TEST(A2:A21, B2:B21, 2, 2)Nilai p-value digunakan untuk menentukan apakah perbedaan rata-rata signifikan secara statistik.
🔗 Bagian 3: Paired Samples t-test — Membandingkan “Sebelum vs Sesudah”
🤔 Kapan Pakai Paired t-test?
Pakai ketika:
- Anda punya 2 pengukuran dari subjek yang sama (before-after design)
- Atau subjek di kedua kelompok dipasangkan (matched pairs)
- Ingin tahu apakah ada perubahan signifikan dari waktu 1 ke waktu 2
Mengukur produktivitas karyawan sebelum dan sesudah pelatihan.
Anda ingin tahu apakah program diet efektif. Anda ukur berat badan 20 orang sebelum dan sesudah program.
Karena setiap orang diukur 2x, data “sebelum” dan “sesudah” berpasangan — orang ke-1 sebelum dengan orang ke-1 sesudah, dst. Inilah paired samples.
📊 Konsep Dasar Paired t-test
Paired t-test sebenarnya adalah one-sample t-test dari selisih (difference) antara pasangan:
- Hitung selisih setiap pasangan: dᵢ = x₁ᵢ − x₂ᵢ
- Hitung mean selisih: d̄
- Uji apakah d̄ signifikan berbeda dari 0
📊 Rumus Paired t-test
Dimana:
- d̄ = mean selisih pasangan
- s_d = standar deviasi selisih
- n = jumlah pasangan
- df = n − 1
Sebuah UMKM ingin tahu apakah kampanye Instagram meningkatkan penjualan. Data penjualan harian (juta Rp) dari 8 toko:
| Toko | Sebelum | Sesudah | Selisih (d) |
|---|---|---|---|
| 1 | 5,2 | 6,1 | 0,9 |
| 2 | 4,8 | 5,5 | 0,7 |
| 3 | 6,0 | 6,8 | 0,8 |
| 4 | 5,5 | 6,2 | 0,7 |
| 5 | 4,5 | 5,0 | 0,5 |
| 6 | 5,8 | 6,5 | 0,7 |
| 7 | 5,0 | 5,8 | 0,8 |
| 8 | 4,9 | 5,6 | 0,7 |
- d̄ = (0,9+0,7+0,8+0,7+0,5+0,7+0,8+0,7) / 8 = 0,7
- s_d = 0,12
- t = 0,7 / (0,12 / √8) = 0,7 / 0,042 = 16,67
- df = 8 − 1 = 7
- p-value < 0,001
- Karena p-value < 0,05 → Tolak H₀
Gunakan fungsi:
=T.TEST(array1, array2, tails, type)
type: 1 = paired
=T.TEST(A2:A21, B2:B21, 2, 1)
🎯 Independent vs Paired: Kapan Pakai yang Mana?
| Situasi | Jenis Uji |
|---|---|
| Bandingkan pria vs wanita | Independent |
| Bandingkan sebelum vs sesudah (subjek sama) | Paired |
| Bandingkan toko A vs toko B (lokasi berbeda) | Independent |
| Bandingkan penjualan toko yang sama sebelum vs sesudah promo | Paired |
| Bandingkan kelas yang pakai metode ajar A vs B (siswa berbeda) | Independent |
| Bandingkan skor ujian siswa sebelum vs sesudah les | Paired |
Pakai independent t-test untuk data before-after. Ini salah karena mengabaikan korelasi antara pengukuran sebelum dan sesudah. Power uji jadi lebih rendah (sulit deteksi efek). Selalu pakai paired t-test untuk before-after design!
📊 Bagian 4: Two-Sample Z-test untuk Proporsi — Bandingkan Persentase
🤔 Kapan Pakai Uji Proporsi Dua Kelompok?
Kalau variabel Anda kategorikal biner (ya/tidak, sukses/gagal) dan Anda ingin membandingkan proporsi dari dua kelompok.
Membandingkan tingkat kepuasan pelanggan antara dua cabang toko.
Anda ingin tahu: “Apakah persentase pemilih kandidat A di Jawa Barat berbeda dengan di Jawa Timur?”
Anda ambil sampel dari kedua provinsi, hitung proporsi pemilih kandidat A, lalu uji apakah perbedaannya signifikan.
📊 Hipotesis
- H₀: p₁ = p₂ (atau p₁ − p₂ = 0) → tidak ada perbedaan proporsi
- H₁: p₁ ≠ p₂ → ada perbedaan proporsi
📊 Rumus Two-Sample Z-test untuk Proporsi
Dimana:
- p̂₁, p̂₂ = proporsi sampel kelompok 1 dan 2
- p̄ = pooled proportion = (x₁ + x₂) / (n₁ + n₂)
- x₁, x₂ = jumlah “sukses” di kelompok 1 dan 2
- n₁, n₂ = ukuran sampel kelompok 1 dan 2
Syarat Validitas:
- n₁p̄ ≥ 5, n₁(1−p̄) ≥ 5
- n₂p̄ ≥ 5, n₂(1−p̄) ≥ 5
Ingin tahu: apakah proporsi transaksi QRIS di Jakarta (p₁) berbeda dengan Surabaya (p₂)?
- Jakarta: n₁ = 400, x₁ = 280 pakai QRIS → p̂₁ = 0,70
- Surabaya: n₂ = 350, x₂ = 210 pakai QRIS → p̂₂ = 0,60
- p̄ = (280 + 210) / (400 + 350) = 490 / 750 = 0,653
- Z = (0,70 − 0,60) / √(0,653 × 0,347 × (1/400 + 1/350))
- Z = 0,10 / √(0,2266 × 0,00536)
- Z = 0,10 / √0,001215
- Z = 0,10 / 0,0349 = 2,87
- p-value (two-tailed) = 0,004
- Karena 0,004 < 0,05 → Tolak H₀
Uji proporsi dua kelompok sangat berguna untuk:
- Membandingkan conversion rate antar kampanye marketing
- Membandingkan tingkat kepuasan antar segmen pelanggan
- Membandingkan market share antar wilayah
Sumber: Levine et al. (2017), Chapter 10
🔍 Bagian 5: Asumsi Uji dan Cara Cek Normalitas
🤔 Mengapa Asumsi Penting?
Semua uji parametrik (t-test, Z-test) punya asumsi. Kalau asumsi dilanggar, hasil uji tidak valid — bisa jadi terlalu optimis (Type I error tinggi) atau terlalu konservatif (Type II error tinggi).
📊 Asumsi Utama Two-Sample t-test
| Asumsi | Cara Cek | Jika Dilanggar |
|---|---|---|
| Independence | Desain riset (random sampling) | Hasil tidak valid, pertimbangkan desain ulang |
| Normalitas | Histogram, Q-Q plot, Shapiro-Wilk | Pakai uji non-parametrik (Mann-Whitney) atau transformasi data |
| Homogeneity of variance | Levene’s test | Pakai Welch’s t-test |
🔍 Cara Cek Normalitas
1. Visual: Histogram
Buat histogram data tiap kelompok. Kalau bentuknya simetris seperti lonceng, kemungkinan Normal.
2. Visual: Q-Q Plot (Quantile-Quantile)
Plot quantil data vs quantil distribusi Normal. Kalau titik-titik mengikuti garis diagonal, data Normal.
3. Uji Statistik: Shapiro-Wilk
H₀: Data berdistribusi Normal
H₁: Data tidak berdistribusi Normal
- Jika p-value > 0,05 → gagal tolak H₀ → data Normal
- Jika p-value ≤ 0,05 → tolak H₀ → data tidak Normal
- Shapiro-Wilk sensitif untuk sampel besar — bisa deteksi penyimpangan kecil yang tidak praktis
- Untuk n > 50, lebih baik pakai visual inspection (histogram, Q-Q plot)
- Untuk n < 30, Shapiro-Wilk lebih reliable
🎯 Solusi Jika Asumsi Dilanggar
Normalitas dilanggar:
- Transformasi data: Log, square root, atau Box-Cox transformation
- Uji non-parametrik: Mann-Whitney U test (independent), Wilcoxon signed-rank (paired)
- Bootstrap: Resampling technique yang tidak butuh asumsi Normal
Homogeneity of variance dilanggar:
- Welch’s t-test: Tidak asumsikan varians sama
- Di Excel:
T.TEST(array1, array2, tails, 3) - Di SPSS/R: biasanya ada opsi “equal variances not assumed”
“Cek asumsi dulu, baru uji.”
Jangan langsung jalankan t-test tanpa cek asumsi. Luangkan waktu 5 menit untuk cek normalitas dan homogeneity of variance. Kalau asumsi dilanggar, pilih metode yang tepat.
🚨 Bagian 6: 6 Kesalahan Fatal Peneliti Pemula dalam Two-Sample Testing
🚨 Mengapa Section Ini Penting?
Two-sample testing adalah uji yang paling sering dipakai dalam riset bisnis — tapi juga paling sering disalahgunakan. Berikut 6 kesalahan yang harus Anda hindari:
❌ Kesalahan #1: Tertukar Independent vs Paired
Yang salah: Pakai independent t-test untuk data before-after.
Akibat: Power uji turun drastis — sulit deteksi efek yang sebenarnya ada. Bisa jadi Type II error.
Solusi: Tanyakan: “Apakah subjek di kelompok 1 sama dengan subjek di kelompok 2?” Kalau YA → paired. Kalau TIDAK → independent.
❌ Kesalahan #2: Tidak Cek Asumsi Normalitas
Yang salah: Langsung jalankan t-test tanpa cek apakah data Normal.
Akibat: Kalau data sangat skewed dan n kecil, hasil t-test tidak valid.
Solusi: Cek normalitas dulu (histogram, Shapiro-Wilk). Kalau tidak Normal, pakai Mann-Whitney atau transformasi data.
❌ Kesalahan #3: Tidak Cek Homogeneity of Variance
Yang salah: Asumsikan varians sama tanpa uji.
Akibat: Kalau varians sangat berbeda, t-test bisa terlalu liberal (Type I error tinggi) atau terlalu konservatif.
Solusi: Pakai Levene’s test. Kalau p-value < 0,05 → varians berbeda → pakai Welch’s t-test.
❌ Kesalahan #4: Multiple Testing Tanpa Koreksi
Yang salah: Bandingkan 5 kelompok sekaligus dengan 10 pairwise t-test.
Akibat: Peluang Type I error meledak! Kalau α = 0,05 dan uji 10 kali, peluang setidaknya satu Type I error = 1 − (0,95)^10 = 40%!
Solusi: Pakai ANOVA (untuk >2 kelompok) atau koreksi Bonferroni (α baru = α / jumlah uji).
❌ Kesalahan #5: “Signifikan” ≠ “Penting”
Yang salah: “p-value = 0,001, berarti perbedaannya sangat penting!”
Akibat: Kalau sampel sangat besar, perbedaan kecil (misal: mean 10,01 vs 10,00) bisa signifikan secara statistik, tapi tidak penting secara bisnis.
Solusi: Selalu laporkan effect size (Cohen’s d untuk t-test) — seberapa besar perbedaannya, bukan cuma apakah signifikan.
❌ Kesalahan #6: Tidak Report Confidence Interval
Yang salah: “Mean kelompok 1 = 12, mean kelompok 2 = 10, p = 0,03.” (titik)
Akibat: Pembaca tidak tahu seberapa besar perbedaannya dan seberapa presisi estimasi.
Solusi: Selalu laporkan: (1) mean kedua kelompok, (2) selisih mean, (3) 95% CI untuk selisih, (4) p-value, (5) effect size.
Sebelum submit riset, cek ulang:
- ☑️ Sudah pilih independent vs paired dengan benar?
- ☑️ Sudah cek asumsi normalitas?
- ☑️ Sudah cek homogeneity of variance?
- ☑️ Sudah laporkan effect size, bukan cuma p-value?
- ☑️ Sudah laporkan confidence interval untuk selisih mean?
✅ Bagian 7: Ringkasan & Checklist Praktis Sesi 09
🗺️ Peta Konsep Sesi 09
| Jenis Uji | Rumus Utama | Kapan Dipakai |
|---|---|---|
| Independent t-test | t = (x̄₁ − x̄₂) / √(s₁²/n₁ + s₂²/n₂) | 2 kelompok berbeda, variabel kontinu |
| Paired t-test | t = d̄ / (s_d / √n) | Before-after atau matched pairs |
| Two-sample Z-test (proporsi) | Z = (p̂₁ − p̂₂) / √(p̄(1−p̄)(1/n₁ + 1/n₂)) | 2 kelompok, variabel biner |
📋 Checklist 8 Langkah Two-Sample Testing
- ☑️ Sudah tentukan jenis uji: independent atau paired?
- ☑️ Sudah nyatakan H₀ dan H₁ dengan benar?
- ☑️ Sudah tentukan α (biasanya 0,05)?
- ☑️ Sudah cek asumsi normalitas (histogram, Shapiro-Wilk)?
- ☑️ Sudah cek homogeneity of variance (Levene’s test)?
- ☑️ Sudah hitung statistik uji (t atau Z)?
- ☑️ Sudah cari p-value dan buat keputusan?
- ☑️ Sudah laporkan effect size dan confidence interval?
🎯 Formula Sheet Ringkas
t = (x̄₁ − x̄₂) / √(s₁²/n₁ + s₂²/n₂)
df = n₁ + n₂ − 2
t = d̄ / (s_d / √n)
df = n − 1
Z = (p̂₁ − p̂₂) / √(p̄(1−p̄)(1/n₁ + 1/n₂))
“Two-sample testing bukan cuma tentang ‘apakah berbeda’, tapi ‘seberapa besar perbedaannya’ dan ‘apakah perbedaan itu penting secara bisnis’.”
Selalu laporkan: (1) jenis uji, (2) asumsi yang dicek, (3) statistik uji, (4) p-value, (5) effect size, (6) confidence interval, (7) interpretasi bisnis.
📚 Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke ANOVA (Analysis of Variance) — ekstensi dari t-test untuk membandingkan lebih dari 2 kelompok. Pastikan Anda sudah paham two-sample testing di sesi ini sebelum lanjut!
Bandingkan 2 Grup atau Jalankan ANOVA Sekarang
Ingin tahu apakah ada perbedaan signifikan antara Grup A dan Grup B? Atau membandingkan rata-rata 3+ kelompok sekaligus dengan ANOVA? Masukkan data mentah Anda — kalkulator ini menghasilkan tabel output persis seperti SPSS lengkap dengan F-hitung, p-value, dan post-hoc test.
📊 Buka Kalkulator ANOVA & Two-Sample →